Claude Code的「渐进式披露」——让AI Agent从“信息过载”到“精准高效”

Claude Code的「渐进式披露」------让AI Agent从"信息过载"到"精准高效"

一、开篇：为什么你的AI Agent总像"人工智障"？

你是不是也遇到过这些问题：

• 给Agent塞了全量代码/文档，它反而答非所问、出现幻觉；
• 工具堆了一堆，Agent不知道该用哪个，执行效率极低；
• 早期好用的工具，模型升级后反而成了"枷锁"，限制灵活性。

这不是模型能力不行，而是信息供给方式错了------我们总想着"给得越多越好"，却忽略了AI Agent的注意力和推理链路，就像给刚入职的新人甩100G文档，不如给它一个搜索工具+核心入口，让它自己探索。

而Anthropic的Claude Code，用「渐进式披露（Progressive Disclosure） 」设计哲学，完美解决了这个问题：不一次性塞所有信息，让Agent按需获取、分层展开，克制才是释放AI潜力的关键。

二、核心概念：什么是「渐进式披露」？

通俗理解

就像你逛图书馆：

1. 先看目录（元数据），知道有哪些书、大概讲什么；
2. 找到感兴趣的书，再看目录页（核心指令），了解整体结构；
3. 遇到具体问题，才翻到对应章节（详细资源），精准获取信息。

AI Agent也是如此：先给"索引"，再给"手册"，最后给"细节"，全程由Agent自主判断、按需加载，而非被动接收全量信息。

官方定义（Claude Code）

渐进式披露是一种分层信息供给机制 ，核心是：最小化初始上下文，最大化Agent自主探索能力，通过"元数据→核心指令→详细资源"的三层加载，实现Token消耗降低60%-80%、指令遵循率大幅提升。

三层加载机制（核心）

• 第一层（元数据）：仅加载技能名称、描述（每个约50-100 Token），让Agent知道"有什么能力、什么时候用"。
• 第二层（核心指令）：意图匹配后，加载SKILL.md（约1K-5K Token），包含任务逻辑、执行步骤。
• 第三层（详细资源）：执行中需要细节时，才读取关联文档、脚本，用完即弃，不污染主上下文。

三、三大验证：Claude Code如何落地「渐进式披露」？

1. 上下文获取：从"被动喂饭"到"自主觅食"

早期痛点（传统RAG）

• 把代码切块、建向量索引，检索后硬塞进上下文；
• Agent被动接收，无法自主判断信息相关性，容易"捡了芝麻丢西瓜"；
• 上下文膨胀、Token浪费，推理效率极低。

改进方案（渐进式披露）

• 给AgentGrep搜索工具 +文件入口权限，让它自主搜索代码库；
• 用Skills机制递归读取关联文件，实现多层嵌套搜索（比如读A文件，发现引用B，再读B，以此类推）；
• 模型自主构建推理链路，精准定位所需信息，而非被动接收片段。
  

核心启发

别替Agent决定该看什么，给它工具、入口和权限，它的自主推理比你预设的更完整。

2. 能力扩展：从"全量堆砌"到"按需激活"

早期痛点（全量塞工具/文档）

• 把所有工具、文档塞进系统提示词，导致上下文污染；
• Agent面对海量信息，无法快速定位所需能力，执行混乱；
• 不常用的功能也占用上下文，浪费资源。

改进方案（子代理+文件引用）

• 用子代理（SubAgent）：仅在需要时启动，专门处理特定问题（如配置MCP Server），找到答案就返回，不加载冗余文档；
• 详细规范独立成文件，系统提示词只留路径，Agent按需读取；
• 技能采用"延迟加载"：只放轻量级钩子，用时再加载完整工具。

子 Agent（SubAgent） 是主 Agent（Orchestrator）派生的专业智能体，拥有独立上下文窗口、工具集和执行环境，专注于特定任务，完成后返回结果给主 Agent，不污染全局上下文

核心启发

扩展能力优先考虑子代理、文件引用，让Agent在需要时自主发现能力，而非一开始就把所有工具摆出来。

3. 工具迭代：从"辅助工具"到"淘汰枷锁"

早期痛点（Todo List工具）

• 早期Claude记忆能力弱，用Todo List强制提醒任务；
• 模型升级后，这种强制提醒反而限制灵活性，让Agent不敢调整任务、自主规划。

改进方案（Task工具）

• 替换为Task工具：支持任务依赖关系、多Agent进度共享；
• 模型可自主修改、删除任务，根据实际情况动态调整规划；
• 工具从"强制约束"变成"灵活辅助"，适配模型能力升级。

核心启发

随着模型能力增强，要定期审视工具集，淘汰那些从辅助变成枷锁的旧工具。

四、实践落地：5步掌握「渐进式披露」设计

1. 工具设计：少而精+延迟加载

• 核心工具控制在10-15个，遵循"Do one thing and do it well"；
• 工具采用"轻量钩子+完整内容分离"：启动时只加载元数据，用时再加载完整逻辑；
• 避免工具堆砌，优先用子代理扩展能力，而非新增主工具。

2. 提示词管理：核心+分离+路径

• 系统提示词（如CLAUDE.md）只放核心信息：项目简介、技术栈、关键规则（控制在5K Token内）；
• 详细规范、文档独立成文件（如auth.md、api.md），放在统一目录；
• 提示词中只留文件路径，让Agent自主读取，不堆砌全量内容。

3. 提问方式：给方向+给入口，不给全量

• 错误示例："帮我看所有代码，解决token刷新失败问题"（堆砌全量文件）；
• 正确示例："token刷新失败，报错xxx，从auth模块开始查，优先看token校验逻辑"（给方向+入口）；
• 让Agent自主定位文件、分析问题，而非被动接收全量信息。

4. 技能封装：三层结构标准化

.claude/skills/
└── incident-triage/  # 技能目录
    ├── SKILL.md      # 第二层：核心指令（任务逻辑）
    ├── runbook.md    # 第三层：详细操作手册
    ├── examples.md   # 第三层：案例参考
    └── scripts/      # 第三层：执行脚本
        └── collect-context.sh

• SKILL.md只放核心指令，详细内容放关联文件，Agent按需读取。

5. 迭代优化：定期审视+快速试错

• 每2-4周复盘工具集、提示词，淘汰低效、冗余内容；
• 小步迭代：先在单个任务上验证渐进式披露，再扩展到全场景；
• 关注Token消耗、执行效率、指令遵循率，用数据驱动优化。

五、总结：「渐进式披露」的本质------克制的力量

Claude Code的「渐进式披露」，本质是对AI Agent能力的信任与尊重：

• 我们总觉得"给得越多，AI越厉害"，但事实是塞得越多，Agent越受限；
• 给Agent最小必要信息+自主探索能力，它反而能发挥出远超预期的推理与执行效率；
• Agent工具设计是"科学+艺术"，没有银弹，只有多试、多迭代，才能找到最适配的信息供给方式。

六、互动思考

你在开发AI Agent时，遇到过哪些"信息过载"的问题？欢迎在评论区分享你的踩坑经历与解决方案，一起探讨「渐进式披露」的更多落地技巧！

---